論文の概要: ARTA: Adaptive Reinforcement-Learning-Based Throttling Agent for RowHammer Vulnerabilities
- arxiv url: http://arxiv.org/abs/2606.09915v1
- Date: Sat, 06 Jun 2026 15:36:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:37.949219
- Title: ARTA: Adaptive Reinforcement-Learning-Based Throttling Agent for RowHammer Vulnerabilities
- Title（参考訳）: ARTA:RowHammer脆弱性に対する適応型強化学習剤
- Authors: Marco Ho, Michael S. Hsiao, Jeeho Ryoo,
- Abstract要約: ARTAは、RowHammerアクティビティを検出し、抑制する軽量な強化学習ベースのスロットリングメカニズムである。
ARTAは、メモリコントローラの小さな構造を使用して、DRAM側のハードウェア修正やオフライントレーニングを必要としない。
評価の結果、ARTAはN_BO値の全てのビットフリップを64に減らし、20のN_BOで最大22Kのビットフリップを削減し、最先端の緩和機構よりも73.6%の性能向上を実現している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: RowHammer vulnerability continues to intensify with DRAM scaling, reducing the activation threshold needed to induce bitflips and rendering existing defenses such as TRR, ECC, and refresh-based mechanisms vulnerable to sophisticated multi-bank hammering patterns. This work presents ARTA, a lightweight reinforcement-learning-based throttling mechanism that detects and suppresses RowHammer activity by monitoring fine-grained memory access behavior within the DRAM refresh window (t_REFW) and dynamically adjusting core throughput using a Q-learning frequency scaling governor. ARTA requires no DRAM-side hardware modification or offline training, using small SRAM structures in the memory controller -- a per-core, per-bank FIFO queue (CBF) and a compact Q-table -- for immediate deployment. Our evaluation shows that ARTA eliminates all bitflips at N_BO values down to 64, reduces bitflips up to 22K times at N_BO of 20, and improves performance up to 73.6% over state-of-the-art mitigation mechanisms by limiting preventive action overheads for improved memory bandwidth throughput. These results demonstrate that adaptive RL-based throttling provides robust, scalable, and high-performance RowHammer mitigation for emerging DRAM systems.
- Abstract（参考訳）: RowHammerの脆弱性は、DRAMスケーリングによって強化され続けており、ビットフリップを誘発するために必要なアクティベーションしきい値が減少し、TRR、ECC、リフレッシュベースのメカニズムといった既存の防御機構が高度なマルチバンクのマーキングパターンに脆弱である。
本研究では,DRAMリフレッシュウインドウ(t_REFW)内のメモリアクセス挙動をモニタし,Qラーニング周波数スケーリングカウンタを用いてコアスループットを動的に調整することにより,RowHammerアクティビティを検出・抑制する軽量強化学習ベースのスロットリング機構であるARTAを提案する。
ARTAはDRAM側のハードウェア修正やオフライントレーニングを必要とせず、メモリコントローラの小さなSRAM構造 – コア単位のバンク単位のFIFOキュー(CBF)とコンパクトなQテーブル – を即時デプロイするために使用する。
評価の結果、ARTAはN_BO値の全てのビットフリップを64に減らし、20のN_BOで最大22Kのビットフリップを削減し、メモリ帯域幅のスループットを改善するために予防動作オーバーヘッドを制限することにより、最先端の緩和メカニズムよりも73.6%の性能向上を実現している。
これらの結果は、適応的なRLベースのスロットリングが、新しいDRAMシステムに対する堅牢でスケーラブルで高性能なRowHammer緩和を提供することを示す。
関連論文リスト
- Training Large Reasoning Models Efficiently via Progressive Thought Encoding [63.254758972725654]
大規模推論モデル(LRM)は複雑な問題に優れるが、効率にとって重要な障壁に直面している。
本稿では,パラメータ効率のよい微調整手法であるProgressive Thoughtを紹介する。
論文 参考訳（メタデータ） (2026-02-18T20:03:38Z) - MiniCPM-SALA: Hybridizing Sparse and Linear Attention for Efficient Long-Context Modeling [80.48332380100915]
MiniCPM-SALAは、疎注意の高忠実長文モデリングと線形注意のグローバル効率を統合するハイブリッドモデルである。
1つのNVIDIA A6000D GPUでは、256Kトークンのシーケンス長におけるフルアテンションモデルの推論速度が3.5倍に達する。
論文 参考訳（メタデータ） (2026-02-12T09:37:05Z) - $ρ$Hammer: Reviving RowHammer Attacks on New Architectures via Prefetching [37.49955872834092]
Rowhammerは動的ランダムアクセスメモリ(DRAM)の重大な脆弱性である
我々は、新しいアーキテクチャに対する攻撃を妨げる3つのコア課題を克服する新しいRowhammerフレームワークである$rho$Hammerを紹介します。
$rho$Hammerは、2時間の攻撃パターンファジングプロセス内で最大200K以上のビットフリップを誘導し、負荷ベースのハンマーベースラインよりも112倍高いフリップレートを持つ。
論文 参考訳（メタデータ） (2025-10-18T15:40:53Z) - ScaleWeaver: Weaving Efficient Controllable T2I Generation with Multi-Scale Reference Attention [86.93601565563954]
ScaleWeaverは、高度な視覚的自己回帰(VAR)モデルに基づいて、高忠実で制御可能な生成を実現するために設計されたフレームワークである。
提案された参照注意モジュールは image$rightarrow$condition から不要な注意を排除し、計算コストを削減している。
実験によると、ScaleWeaverは、拡散ベースの方法よりも優れた効率を実現しつつ、高品質な生成と正確な制御を提供する。
論文 参考訳（メタデータ） (2025-10-16T17:00:59Z) - ARMOR: High-Performance Semi-Structured Pruning via Adaptive Matrix Factorization [99.96330641363396]
ARMOR: (Adaptive Representation with Matrix-factorization) は、新しい1ショットのポストトレーニングプルーニングアルゴリズムである。
ARMORは重量を直接刈る代わりに、各重量行列を2:4のスパースコアに分解する。
ARMORは、幅広いダウンストリームタスクとパープレキシティ評価において、最先端の2:4プルーニング手法よりも一貫して、はるかに優れています。
論文 参考訳（メタデータ） (2025-10-07T02:39:20Z) - Spark Transformer: Reactivating Sparsity in FFN and Attention [53.221448818147024]
本稿では, FFNとアテンション機構の両方において, 高レベルのアクティベーション間隔を実現する新しいアーキテクチャであるSpark Transformerを紹介する。
これによりFLOPの2.5倍の削減が可能となり、CPUでは1.79倍、GPUでは1.40倍となる。
論文 参考訳（メタデータ） (2025-06-07T03:51:13Z) - Understanding RowHammer Under Reduced Refresh Latency: Experimental Analysis of Real DRAM Chips and Implications on Future Solutions [6.157443107603247]
RowHammerはDRAMの読み出し障害機構で、DRAMセルの行(DRAM行)に繰り返しアクセスすると、物理的に近くのDRAM行(victim row)でビットフリップが誘導される。
より新しいDRAMチップ世代では、これらのメカニズムはより積極的に予防リフレッシュを行い、より大きなパフォーマンス、エネルギ、または面積オーバーヘッドを引き起こす。
実DRAMチップにおけるリフレッシュレイテンシとRowHammer特性の相互作用に関する厳密な実験を行った。
以上の結果から, 攻撃性緩和のための部分電荷復元(PaCRAM)は, 5つの最先端RowHammer緩和機構によって引き起こされる性能とエネルギーオーバーヘッドを低減することが示唆された。
論文 参考訳（メタデータ） (2025-02-17T12:39:03Z) - DAPPER: A Performance-Attack-Resilient Tracker for RowHammer Defense [1.1816942730023883]
RowHammerの脆弱性は、現代のDRAMベースのシステムに重大な脅威をもたらす。
Perf-Attacksは共有構造を利用して、良質なアプリケーションのDRAM帯域幅を削減する。
我々は,共有構造のマッピングを捉えるために,敵対的試みを阻止するための安全なハッシュ機構を提案する。
論文 参考訳（メタデータ） (2025-01-31T02:38:53Z) - Threshold Breaker: Can Counter-Based RowHammer Prevention Mechanisms Truly Safeguard DRAM? [8.973443004379561]
本稿では,Threshold Breakerと呼ばれる多面的障害注入攻撃手法を実験的に実証する。
ターゲットの行から遠い物理的距離で行をソフトアタックすることで、最も先進的なカウンターベース防御機構を効果的に回避することができる。
ケーススタディとして、現代のディープニューラルネットワーク(DNN)に対して対向重み攻撃を行うことにより、我々のメカニズムとよく知られた両面攻撃のパフォーマンス効率を比較する。
論文 参考訳（メタデータ） (2023-11-28T03:36:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。